PREDIKSI ADOPSI HEWAN PELIHARAAN MENGGUNAKAN METODE XGBOOST
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Adopsi hewan sangat penting untuk meningkatkan kesejahteraan hewan dan mengurangi populasi hewan terlantar. Karena banyaknya hewan yang masuk dan jumlah sumber daya yang diperlukan untuk merawat mereka, tempat penampungan hewan di seluruh dunia menghadapi masalah yang signifikan. Setiap tahun, jutaan hewan ditempatkan di tempat penampungan untuk mencari rumah baru. Namun, tingkat adopsi sering kali tidak cukup untuk mengimbangi masuknya hewan baru, menyebabkan kepadatan di tempat penampungan dan risiko euthanasia hewan yang tidak diadopsi. Dalam beberapa tahun terakhir, pembelajaran mesin (ML) telah berkembang menjadi alat yang kuat untuk menganalisis data dan membuat prediksi. Salah satu algoritma berbasis pohon keputusan yang telah terbukti berhasil adalah XGBoost. Algoritma ini terkenal karena kinerjanya yang luar biasa dalam berbagai kompetisi data. XGBoost dapat membantu tempat penampungan hewan menemukan faktor-faktor penting yang mempengaruhi adopsi hewan peliharaan, dengan akurasi prediksi sebesar 95%. Menurut analisis fitur penting, faktor-faktor yang paling penting dalam menentukan adopsi hewan peliharaan adalah ukuran, kondisi kesehatan, usia, ras Labrador, dan jenis hewan anjing. Organisasi penyelamatan hewan dapat membantu meningkatkan rencana adopsi mereka dan memberi calon adopter informasi yang lebih akurat dengan memahami elemen penting ini.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle